盲源分离是信号处理领域和神经网络领域近年来研究的热点之一,目前在语音识别、数字通信、医学信号处理等方面都取得了成功应用。但由于该技术的理论深度与难度较大,现阶段对它的研究还远未成熟,还有许多问题有待进一步完善。本文主要研究盲源分离中两类典型问题,即线性瞬时混合情况下的盲分离和非线性混合情况下的盲分离。针对线性瞬时盲分离问题,本文作了以下几点工作:1.本文在分析现有神经网络分离方法不足的基础上,利用免疫遗传算法优化神经网络实现了盲分离。该方法用网络第一层对数据进行预处理;第二层利用免疫遗传算法优化网络权矩阵并估计出信号源。仿真实验验证了该算法的有效性和优越性。2.本文通过仿真实验,分析了基于自然梯度分离算法的不足,并采用共轭梯度法对原算法进行改进。通过实验表明,改进后算法的性能和分离效果都优于原算法,但仍受到活动函数的影响。3.为了克服活动函数对算法的影响,本文采用免疫算法和高阶累积量相结合的方法,实现了盲分离。该方法的第一步主要采用特征值分解估计出信号源的数目并提取主元信息;第二步利用免疫算法估计出分离矩阵,其中,以输出信号四阶互累积量绝对值之和作为目标函数。实验表明,该算法的性能和分离效果都有明显提高。本文还针对非线性混合问题进行了一些讨论。本文将免疫RBF神经网络和熵最大化准则相结合,解决了一类非线性盲分离问题。该方法的非监督学习过程分为两步:第一步主要利用免疫聚类法获得基函数的中心矢量;第二步利用熵最大化准则更新权矩阵。大量实验验证了该算法的有效性。